Rancang Bangun Sistem Klasifikasi Sampah Menggunakan YOLOv8 Berbasis Raspberry Pi 4

Fernando, Leo Luis and Prof. Dr. Eng. Fitri Utaminingrum, S.T., M.T. (2024) Rancang Bangun Sistem Klasifikasi Sampah Menggunakan YOLOv8 Berbasis Raspberry Pi 4. Sarjana thesis, Universitas Brawijaya.

Abstract

Umumnya terdapat satu atau lebih tempat sampah yang kita temui sehari – hari. Banyaknya tempat dan jenis sampah yang berbeda menyebabkan orang akan mengalami kebingungan dalam menempatkan sampah sesuai dengan tempatnya. Maka dari itu solusi yang ditawarkan adalah sebuah tempat sampah yang dapat memisah sampah sebanyak 4 kelas yaitu sampah organik, anorganik, B3, dan residu. Klasifikasi dilakukan secara otomatis dan real time menggunakan metode deep learning. Arsitektur deep learning yang digunakan adalah YOLO versi kedelapan yang memberikan performa dan akurasi yang lebih baik dibanding pendahulunya yaitu YOLOv5. Dengan komputer mini raspberry pi 4, motor servo, dan kamera raspberry, klasifikasi sampah dapat dilakukan secara real time dan otomatis. Penelitian dimulai dengan pengumpulan dataset melalui internet yang kemudian diaugmentasi dan dipisah menjadi 2 data yaitu: train dan test. Proses training dilakukan sebanyak 5 kali merujuk jumlah versi yang disediakan oleh YOLOv8. Implementasi dan integrasi dilakukan serta pengujian terhadap sistem yang dibangun dilakukan agar dapat diketahui model yang optimal untuk sistem yang dirancang. Hasil evaluasi dan analisis mendapati versi terbaik untuk sistem klasifikasi sampah yang dirancang adalah YOLOv8n, meskipun YOLOv8s lebih unggul dari evaluasi confusion matrixnya. YOLOv8n mendapatkan rata – rata akurasi deteksi sebesar 94% dan akurasi integrasi sistem sebesar 75% serta waktu komputasi selama 0.69 detik dari 16 kali pengujian dan unggul dari versi lainnya. Dengan akurasi yang tinggi penelitian dikatakan berhasil dengan kekurangan akurasi integrasi sistem yang rendah yang disebabkan sampah yang bervariasi.

English Abstract

Generally, we encounter one or more trash bins every day. The abundance of different places and types of trash can cause confusion when placing waste in the correct bin. Therefore, the proposed solution is a trash bin that can separate waste into four categories: organic, inorganic, hazardous (B3), and residual waste. Classification is performed automatically and in real-time using deep learning methods. The deep learning architecture used is YOLO version eight, which offers better performance and accuracy compared to its predecessor, YOLOv5. With a Raspberry Pi 4 mini-computer, servo motor, and Raspberry Pi camera, waste classification can be done in real-time and automatically. The research begins with collecting datasets from the internet, which are then augmented and split into two sets: training and testing data. The training process is conducted five times, referring to the number of versions provided by YOLOv8. Implementation and integration are carried out, followed by testing the built system to determine the optimal model for the designed system. Evaluation and analysis results find that the best version for the waste classification system is YOLOv8n, although YOLOv8s is superior in the evaluation of its confusion matrix. YOLOv8n achieved an average detection accuracy of 94%, system integration accuracy of 75%, and a computation time of 0.69 seconds from 16 tests, outperforming other versions. With high accuracy, the research is considered successful, despite the low system integration accuracy caused by the variability of the waste.

Item Type:	Thesis (Sarjana)
Identification Number:	052415
Uncontrolled Keywords:	YOLOv8, Klasifikasi, Raspberry PI 4, Sampah, Deep Learning-YOLOv8, classification, Raspberry PI 4, waste, deep learning
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	Sugeng Moelyono
Date Deposited:	07 Aug 2024 03:21
Last Modified:	07 Aug 2024 03:21
URI:	http://repository.ub.ac.id/id/eprint/223530

Text (DALAM MASA EMBARGO) Leo Luis Fernando.pdf Restricted to Registered users only Download (6MB)

Actions (login required)

View Item